【技術實現步驟摘要】
本專利技術涉及低光圖像，具體涉及基于可逆神經網絡的低光圖像增強方法。
技術介紹
1、在低光照條件下拍攝的圖像往往會出現亮度低、對比度低、噪聲污染嚴重等視覺退化問題。這些視覺退化問題會造成圖像信息的丟失，從而導致計算機視覺系統出現故障或失效。為了應對這一挑戰，低光圖像增強(low-light?image?enhancement,llie)成為計算機視覺領域備受關注的研究方向。低光圖像增強旨在提高低光照圖像的可視性，并有效抑制拍攝環境中低光照引起的噪聲和偽影。通過低光圖像增強技術，各種計算機視覺應用可以受益于改進的低光圖像，提高系統性能和魯棒性。
2、在計算機視覺領域發展的早期階段，低光圖像的增強主要依靠傳統的圖像處理技術。這些傳統的llie方法可以分為兩類，一類基于圖像先驗，另一類基于物理模型。基于圖像先驗的方法依賴于圖像處理和計算機視覺的先驗知識。例如，直方圖均衡是一種常見的基于圖像先驗的方法，它以線性或非線性的方式調整全局強度分布，以提高圖像的亮度和對比度。但這些方法通常需要手動調整參數，對噪聲敏感，在處理復雜場景時泛化能力較差。另一方面，基于物理模型的方法通過成像理論指導圖像增強。例如，retinex理論將圖像分解為照明分量和反射分量，然后對反射分量進行處理以實現增強。這類方法泛化能力很強，可以適應不同的場景。然而，這些方法在包含復雜光照條件的場景中效果較差。
3、近年來，深度學習技術在llie任務中得到了廣泛的應用，并取得了優異的性能。基于深度學習的llie方法通過改進模型的結構設計來提高低光圖像增
技術實現思路
1、本專利技術的目的：
2、大多數基于學習的llie方法通過使用一些配對數據來學習低光圖像和正常光圖像之間的映射關系。然而，在實際場景中，一張低光圖像可以對應多張不同亮度的正常光圖像。基于配對數據訓練的模型往往會融合多種可能的結果作為輸出，從而導致亮度增強不均勻、殘留噪聲去除和圖像偽影等問題。一些方法提出學習低光圖像和正常光圖像之間的雙向映射關系，利用逆向過程的輔助信息來指導正向過程的學習。但這些方法只是簡單使用可逆網絡，沒有針對任務進行特定的設計。
3、此外，為了進一步提升圖像增強質量，許多方法將retinex理論引入模型中。由于retinex理論模擬了人類視覺的顏色感知，因此基于retinex的深度學習方法往往會取得更好的結果和更好的泛化能力。然而，retinex分解得到的光照分量和反射分量缺乏真值，無法保證分解結果的準確性和合理性。這些工作通過引入額外的先驗或正則化器來解決這個問題，但是這些手動精心設計的正則化函數很難適用于所有場景。約束過多的聯合優化也會導致缺乏適應性和效率。
4、本專利技術主要針對低光圖像增強的以下問題提出優化：
5、(1)針對在低光圖像增強的特定任務，本專利技術將retinex理論融入可逆神經網絡，使得整個過程具有更好的可解釋性。
6、(2)進一步的，retinex分解能夠提高低光圖像增強結果，但光照分量和反射分量缺乏真值，無法保證分解結果的準確性和合理性。為了準確分解并提高泛化能力，本專利技術采用交叉顏色比成像理論指導retinex分解。
7、(3)再一步的，本專利技術引入記憶機制，提高亮度恢復效果，學習整個數據集的亮度信息，并用這一信息指導低光圖像增強。
8、技術方案：
9、一種基于可逆神經網絡的低光圖像增強設計方法，其特征在于，包括：
10、步驟一?搭建可逆神經網絡；
11、步驟二?可逆神經網絡的工作過程和訓練；
12、步驟三?應用：將在低光照條件下拍攝的圖像，輸入上述訓練后的可逆神經網絡進行增強處理。
13、與現有技術相比，本專利技術具有以下有益效果：
14、(1)增強過程的可解釋性：本專利技術重新設計可逆網絡結構，使得可逆網絡增強過程可以使用retinex理論解釋，提高模型的增強效果和可解釋性。
15、(2)圖像分解的可泛化性：本專利技術引入交叉顏色比物理模型，指導基于retinex理論的圖像分解過程，增加分解的準確性和模型的泛化能力。
16、(3)亮度信息的全局指導：本專利技術引入記憶機制，學習整個數據集的亮度信息，指導圖像在亮度方面的恢復過程，提高模型的增強效果。
本文檔來自技高網...【技術保護點】
1.一種基于可逆神經網絡的低光圖像增強設計方法，其特征在于，包括：
2.如權利要求1所述一種基于可逆神經網絡的低光圖像增強設計方法，其特征在于，
3.如權利要求2所述一種基于可逆神經網絡的低光圖像增強設計方法，其特征在于，所述的特征增強模塊G1(·)、H1(·)、G2(·)、H2(·)均由一個帶殘差的雙分支注意力模塊DBAM和一個帶殘差的前饋神經網絡FFN組成；
4.如權利要求1所述一種基于可逆神經網絡的低光圖像增強設計方法，其特征在于，
5.如權利要求4所述一種基于可逆神經網絡的低光圖像增強設計方法，其特征在于，所述正向過程的設計步驟，包括
6.如權利要求4所述一種基于可逆神經網絡的低光圖像增強設計方法，其特征在于，所述逆向過程的設計步驟，包括：
7.如權利要求4所述一種基于可逆神經網絡的低光圖像增強設計方法，其特征在于，所述損失函數的設計步驟：
【技術特征摘要】
1.一種基于可逆神經網絡的低光圖像增強設計方法，其特征在于，包括：
2.如權利要求1所述一種基于可逆神經網絡的低光圖像增強設計方法，其特征在于，
3.如權利要求2所述一種基于可逆神經網絡的低光圖像增強設計方法，其特征在于，所述的特征增強模塊g1(·)、h1(·)、g2(·)、h2(·)均由一個帶殘差的雙分支注意力模塊dbam和一個帶殘差的前饋神經網絡ffn組成；
4.如權利要求...
還沒有人留言評論。發表了對其他瀏覽者有用的留言會獲得科技券。